提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

Dec, 2020

本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

Apr, 2019

通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。

Jul, 2023

提出了一种新的二维到三维抬升图卷积网络（PoseGraphNet++）用于预测完整的人体姿势，包括关节位置和骨骼方向。通过利用节点和边的卷积，该模型在多个基准数据集上评估，在位置和旋转指标方面的性能与现有方法相当或更好。通过大量的消融研究，证明了 PoseGraphNet++ 从关节和骨骼之间的相互关系中获益。

Aug, 2023

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

本研究利用深度學習方法中的循環神經網路，使用四元數表示旋轉矩陣，並在預測人體姿勢時，通過直接避免產生角度誤差而避免骨骼伸展和無效配置。在短期預測上，QuaterNet 方法可以量化地提高所得到的結果，而在長期模擬方面，本研究方法的效果與近期的網路策略相當。

May, 2018

本研究提出了一种新的骨骼 GNN 学习解决方案，包括基于跳舞的分层通道压缩融合层和鲁棒且有效的图构建过程，该方法在人体姿态估计和基于骨骼的动作识别方面取得了超越同行的性能.

Aug, 2021

本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

本研究提出了一种几何感知的人体姿态三维表示方法，通过使用多个视角和简单的自编码器模型以 2D 关键点信息为监督，在训练阶段建立共享的 3D 表示，进而通过骨架编码器 - 解码器机制在潜在空间提取仅与姿态相关的表示。实验结果表明，该方法能够显著提高现有姿态估计方法的性能。

Mar, 2019

本文提出使用多视角图像而无需注释，来学习一个具有几何感知能力的身体表示，通过使用该身体表示，我们的方法在仅使用少量标记数据的情况下，显著优于完全监督的方法，并且在使用仅 1% 标记数据时，也优于其他半监督方法。

Apr, 2018